Ulepszanie treningu za pomocą callbacks Lightning

Skalowalne modele AI z PyTorch Lightning

Sergiy Tkachuk

Director, GenAI Productivity

Czym są callbacks?

Funkcje wykonywane w kluczowych etapach treningu
Dodawanie własnych akcji bez zaśmiecania kodu
Większa elastyczność i kontrola

przegląd callbacks

Czym są callbacks?

from lightning.pytorch.callbacks import Callback

class MyPrintingCallback(Callback):

    def on_train_start(self, trainer, pl_module):
        print("Training is starting")

    def on_train_end(self, trainer, pl_module):
        print("Training is ending")

Dodawanie własnych akcji na różnych etapach treningu

Callback ModelCheckpoint w Lightning

Automatyczne zapisywanie modelu w określonych odstępach
Wybór metryki do śledzenia
Zachowanie tylko najlepszego modelu

from lightning.pytorch.callbacks
import ModelCheckpoint

checkpoint_callback = ModelCheckpoint(

    monitor='val_loss',

    dirpath='my/path/',

    filename='{epoch}-{val_loss:.2f}',

    save_top_k=1,

    mode='min'

)

¹ https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.callbacks.ModelCheckpoint.html

Callback EarlyStopping w Lightning

Monitorowanie metryki
Zatrzymanie treningu, gdy metryka przestaje się poprawiać

from lightning.pytorch.callbacks
import EarlyStopping

early_stopping_callback = EarlyStopping(

    monitor='val_loss',

    patience=3,

    mode='min'

)

¹ https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.callbacks.EarlyStopping.html

Dostosowywanie i używanie callbacks Lightning

from lightning.pytorch import Trainer
from lightning.pytorch.callbacks import EarlyStopping, ModelCheckpoint

checkpoint = ModelCheckpoint(
    monitor='val_accuracy',
    save_top_k=2,
    mode='max')

early_stopping = EarlyStopping(
    monitor='val_accuracy',
    patience=5,
    mode='max')


trainer = Trainer(max_epochs=50, callbacks=[checkpoint, early_stopping])

¹ https://lightning.ai/docs/pytorch/stable/common/trainer.html

Czas na ćwiczenia!

Skalowalne modele AI z PyTorch Lightning